Las tablas nos permiten presentar información que está comprendida en pocos datos o porque es necesario interpretar valores de resultados para estadísticos específicos. No es un recurso adecuado para grandes cantidades de datos … a menos que se quiera usarlas para filtrar, hacer subsets o interactuar con los datos.
Son muchos los paquetes disponibles para crear tablas en R. Estos paquetes fueron evolucionando desde tablas planas a un alto nivel de personalización mediante argumentos muy detallados y de múltiples opciones personalizables. Las más utilizadas al momento de este curso son:
library(gt)
gt(iris[1:2,]) |>
tab_header(
title = md("**Ejemplo de tabla gt ('Great Tables')**"),
subtitle = md("Son las *primeras dos* filas de df iris")
)Ejemplo de tabla gt (‘Great Tables’) |
||||
|---|---|---|---|---|
Son las primeras dos filas de df iris |
||||
| Sepal.Length | Sepal.Width | Petal.Length | Petal.Width | Species |
| 5.1 | 3.5 | 1.4 | 0.2 | setosa |
| 4.9 | 3.0 | 1.4 | 0.2 | setosa |
library(kableExtra)
dt <- mtcars[1:5, 1:4]
dt mpg cyl disp hp
Mazda RX4 21.0 6 160 110
Mazda RX4 Wag 21.0 6 160 110
Datsun 710 22.8 4 108 93
Hornet 4 Drive 21.4 6 258 110
Hornet Sportabout 18.7 8 360 175# HTML table
kbl(dt, caption = "Demo Table") %>%
kable_styling(
bootstrap_options = "striped",
full_width = F
) %>%
add_header_above(
c(" ", "Group 1" = 2, "Group 2[note]" = 2)) %>%
footnote(c("table footnote"))| mpg | cyl | disp | hp | |
|---|---|---|---|---|
| Mazda RX4 | 21.0 | 6 | 160 | 110 |
| Mazda RX4 Wag | 21.0 | 6 | 160 | 110 |
| Datsun 710 | 22.8 | 4 | 108 | 93 |
| Hornet 4 Drive | 21.4 | 6 | 258 | 110 |
| Hornet Sportabout | 18.7 | 8 | 360 | 175 |
| Note: | ||||
| table footnote |
library(DT)
datatable(iris)
- library(reactable)
link-> Permite un nivel de personalización alto, con posibilidad de dar formatos condicionales intracelda e incluir filtros en las propias tablas. Ejemplos
library(reactable)
reactable(iris)En el mundo académico (publicaciones, presentaciones a congresos) y en el desarrollo (webs, informes, dashboards, etc.) hay una tendencia recientemente nueva a personalizar y dar estilos a las tablas para facilitar la lectura e interpretación de los datos presentados.
# Librerias
library(gt)
library(gtExtras)
library(tidyverse)
library(janitor)
# Set de datos de ejemplo.
df <- read_csv(
"https://raw.githubusercontent.com/iminoli/EcoInformatics/master/pdf/Curso.R.2024/Practicos/Table3_C.csv"
) %>%
clean_names()
glimpse(df)Rows: 4
Columns: 7
$ season <chr> "Winter", "Spring", "Summer", "Autumn"
$ valor_sp_a <dbl> 1378.23, 344.23, 278.99, 437.00
$ disp_sp_a <chr> "(244.94-3572.17)", "(1.00-834.81)", "(1.00-735.09)", "(341…
$ valor_sp_b <dbl> 976.08, 523.83, 731.54, 243.33
$ disp_sp_b <chr> "(315.63-3369.12)", "(132.16-1347.02)", "(210.78-1853.04)",…
$ valor_sp_c <dbl> 678.06, 295.11, 1251.32, 327.42
$ disp_sp_c <chr> "(267.13-1114.78)", "(184.57-344.52)", "(316.28-2239.17)", …df# A tibble: 4 × 7
season valor_sp_a disp_sp_a valor_sp_b disp_sp_b valor_sp_c disp_sp_c
<chr> <dbl> <chr> <dbl> <chr> <dbl> <chr>
1 Winter 1378. (244.94-3572.17) 976. (315.63-33… 678. (267.13-…
2 Spring 344. (1.00-834.81) 524. (132.16-13… 295. (184.57-…
3 Summer 279. (1.00-735.09) 732. (210.78-18… 1251. (316.28-…
4 Autumn 437 (341.50-599.44) 243. (131.47-42… 327. (53.83-7…# Ejemplo de TABLA PLANA
df %>%
gt()| season | valor_sp_a | disp_sp_a | valor_sp_b | disp_sp_b | valor_sp_c | disp_sp_c |
|---|---|---|---|---|---|---|
| Winter | 1378.23 | (244.94-3572.17) | 976.08 | (315.63-3369.12) | 678.06 | (267.13-1114.78) |
| Spring | 344.23 | (1.00-834.81) | 523.83 | (132.16-1347.02) | 295.11 | (184.57-344.52) |
| Summer | 278.99 | (1.00-735.09) | 731.54 | (210.78-1853.04) | 1251.32 | (316.28-2239.17) |
| Autumn | 437.00 | (341.50-599.44) | 243.33 | (131.47-423.34) | 327.42 | (53.83-795.8) |
# Ejemplo de TABLA PERSONALIZADA
df %>%
rename("Season" = season) %>%
gt() %>%
data_color(
columns = valor_sp_a,
method = "numeric",
palette = c("#D0FAE1", "#96E0B6", "#54DE92", "#07BD59")
) %>%
data_color(
columns = valor_sp_b,
method = "numeric",
palette = c("#F2DCDC", "#F5B6B6", "#F28383", "#DB4444")
) %>%
data_color(
columns = valor_sp_c,
method = "numeric",
palette = c("#F2DCDC", "#F5B6B6", "#F28383", "#DB4444")
) %>%
cols_merge(
columns = c(valor_sp_a, disp_sp_a),
pattern = "{1} {2}"
) %>%
cols_merge(
columns = c(valor_sp_b, disp_sp_b),
pattern = "{1} {2}"
) %>%
cols_merge(
columns = c(valor_sp_c, disp_sp_c),
pattern = "{1} {2}"
) %>%
cols_label(
Season = html("<strong>Season</strong>"),
valor_sp_a = html("<strong>Group sp. A</strong>"),
valor_sp_b = html("<strong>Group sp. B</strong>"),
valor_sp_c = html("<strong>Group sp. C</strong>")
) %>%
tab_style(cell_text(size = pct(85)),
locations = cells_body(columns = c(valor_sp_a, valor_sp_b, valor_sp_c))
) %>%
cols_align(
align = "center"
) %>%
cols_align(
align = "left",
columns = Season
) %>%
tab_header(
title = html("<strong>Daily distance moved (m/day) for each studied area</strong>"),
subtitle = html("Environments: <strong><span style='color:#0F9E50;'>Continuous Forest</span></strong> and <strong><span style='color:#DB4444;'>Fragmented Forest<span></strong>")
) %>%
gtsave(# Guardo la tabla como archivo
"Table_3.png" # Doy un nombre
)
# Exploro el archivo original a ser publicado
browseURL("Table_3.png")
El paquete gt posee una serie de paquetes que están relacionados como: gtExtras y gtsummary.
library(gtsummary)
# summarize the data with our package
peng <- palmerpenguins::penguins
peng# A tibble: 344 × 8
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
<fct> <fct> <dbl> <dbl> <int> <int>
1 Adelie Torgersen 39.1 18.7 181 3750
2 Adelie Torgersen 39.5 17.4 186 3800
3 Adelie Torgersen 40.3 18 195 3250
4 Adelie Torgersen NA NA NA NA
5 Adelie Torgersen 36.7 19.3 193 3450
6 Adelie Torgersen 39.3 20.6 190 3650
7 Adelie Torgersen 38.9 17.8 181 3625
8 Adelie Torgersen 39.2 19.6 195 4675
9 Adelie Torgersen 34.1 18.1 193 3475
10 Adelie Torgersen 42 20.2 190 4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>table_penguins <-
peng |>
tbl_summary(
include = c(bill_length_mm, species),
by = sex
)11 missing rows in the "sex" column have been removed.table_penguinsCharacteristic |
female |
male |
|---|---|---|
| bill_length_mm | 42.8 (37.6, 46.2) | 46.8 (41.0, 50.4) |
| species | ||
| Adelie | 73 (44%) | 73 (43%) |
| Chinstrap | 34 (21%) | 34 (20%) |
| Gentoo | 58 (35%) | 61 (36%) |
| 1
Median (Q1, Q3); n (%) |
||
Pueden ser en formato LaTeX o en HTML. Las tablas HTML son más usadas y preferidas por ser livianas, fáciles de modificar y cambiar detalles gracias a lo simple que es el HTML. Anteriormente guardamos tablas como png, de esta manera es posible guardarlas en .html.
library(DT)
library(htmlwidgets)
peng_html <- palmerpenguins::penguins
peng# A tibble: 344 × 8
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
<fct> <fct> <dbl> <dbl> <int> <int>
1 Adelie Torgersen 39.1 18.7 181 3750
2 Adelie Torgersen 39.5 17.4 186 3800
3 Adelie Torgersen 40.3 18 195 3250
4 Adelie Torgersen NA NA NA NA
5 Adelie Torgersen 36.7 19.3 193 3450
6 Adelie Torgersen 39.3 20.6 190 3650
7 Adelie Torgersen 38.9 17.8 181 3625
8 Adelie Torgersen 39.2 19.6 195 4675
9 Adelie Torgersen 34.1 18.1 193 3475
10 Adelie Torgersen 42 20.2 190 4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>datatable(peng_html,
options = list(autoWidth = TRUE),
filter = list(
position = 'top',
clear = FALSE
)
)table_peng_html <- datatable(peng_html,
options = list(autoWidth = TRUE),
filter = list(
position = 'top',
clear = FALSE
)
)
saveWidget(table_peng_html, "html_table_peng.html")browseURL("html_table_peng.html")Este es un ejemplo de como guardar tablas fijas no interactivas:
library(gtsummary)
# summarize the data with our package
peng <- palmerpenguins::penguins
peng# A tibble: 344 × 8
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
<fct> <fct> <dbl> <dbl> <int> <int>
1 Adelie Torgersen 39.1 18.7 181 3750
2 Adelie Torgersen 39.5 17.4 186 3800
3 Adelie Torgersen 40.3 18 195 3250
4 Adelie Torgersen NA NA NA NA
5 Adelie Torgersen 36.7 19.3 193 3450
6 Adelie Torgersen 39.3 20.6 190 3650
7 Adelie Torgersen 38.9 17.8 181 3625
8 Adelie Torgersen 39.2 19.6 195 4675
9 Adelie Torgersen 34.1 18.1 193 3475
10 Adelie Torgersen 42 20.2 190 4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>table_penguins <-
peng |>
tbl_summary(
include = c(bill_length_mm, species),
by = sex
)11 missing rows in the "sex" column have been removed.table_penguinsCharacteristic |
female |
male |
|---|---|---|
| bill_length_mm | 42.8 (37.6, 46.2) | 46.8 (41.0, 50.4) |
| species | ||
| Adelie | 73 (44%) | 73 (43%) |
| Chinstrap | 34 (21%) | 34 (20%) |
| Gentoo | 58 (35%) | 61 (36%) |
| 1
Median (Q1, Q3); n (%) |
||
# Guardo la tabla como .png
table_penguins %>%
as_gt() %>%
gtsave("table_penguins.png")Se pueden crear tablas interactivas de dos maneras:
library(DT)
datatable(OrchardSprays,
extensions = "Buttons",
options = list(
paging = TRUE,
scrollX=TRUE,
searching = TRUE,
ordering = TRUE,
dom = 'Bfrtip',
buttons = list(
list(extend = 'csv', filename = "subset_OrchardSprays"),
list(extend = 'excel', filename = "subset_OrchardSprays"),
list(extend = 'pdf', filename = "subset_OrchardSprays")
)
)
)2) Editables:
library(rhandsontable)
# Ejemplo de dataset
base_arboles <- data.frame(
Especie_Arbol = c(
"Peltophorum dubium",
"Syagrus romanzoffiana",
"Ficus luschnathiana",
"Handroanthus pulcherrimus",
"Celtis tala",
"Ceiba chodatii"
),
Fecha_Talado = c(
"2023-11-01", "2024-05-15", "2021-03-20",
"2022-12-25", "2022-06-10", "2023-07-22"
),
Luz_Existente = factor(c(
"Low", "Medium", "Medium",
"Medium", "Low", "High"),
levels = c("Low", "Medium", "High")
),
Temperatur_Minima = c(18.0, 15.0, 20.0, 16.0, 16.5, 18.5),
Max_Altura_cm = as.integer(c(100, 300, 200, 75, 60, 240)),
Existencia_Frutos = c(FALSE, FALSE, FALSE, FALSE, TRUE, FALSE)
)
base_arboles Especie_Arbol Fecha_Talado Luz_Existente Temperatur_Minima
1 Peltophorum dubium 2023-11-01 Low 18.0
2 Syagrus romanzoffiana 2024-05-15 Medium 15.0
3 Ficus luschnathiana 2021-03-20 Medium 20.0
4 Handroanthus pulcherrimus 2022-12-25 Medium 16.0
5 Celtis tala 2022-06-10 Low 16.5
6 Ceiba chodatii 2023-07-22 High 18.5
Max_Altura_cm Existencia_Frutos
1 100 FALSE
2 300 FALSE
3 200 FALSE
4 75 FALSE
5 60 TRUE
6 240 FALSE# Tabla simple editable
rhandsontable(base_arboles) %>%
hot_col("Fecha_Talado",
type = "date",
dateFormat = "YYYY-MM-DD" # formato de fecha
) %>%
hot_table(highlightRow = TRUE, # resalta fila - columna actual
highlightCol = TRUE) %>%
hot_cols(fixedColumnsLeft = 1, # 1ra columna inmobilizada
manualColumnMove = TRUE, # mover columnas
manualColumnResize = TRUE # ajustar columnas
)Los reportes en R o en cualquier otro lenguaje de programación documentando los pasos de análisis estadísticos o desarrollos, son imprescindibles y casi obligatorios en trabajos colaborativos. Al programar para hacer análisis o desarrollos es natural la necesidad que nace de explicar que hace cada linea de código, como se interpretan los resultados, que supuestos estad´siticos fueron cubiertos incialmente, etc.
Para todo esto se emplea en general un lenguaje llamado Markdown y su empleo en R se denomina R Markdown.
Markdown es un lenguaje de marcado diseñado para simplificar el proceso de dar formato a un texto mediante el uso de caracteres específicos. Originalmente, se creó con el propósito de escribir contenido destinado a la web de manera más rápida y fácil en comparación con el uso directo de HTML. Aunque su uso principal es en la creación de textos para la web, Markdown también es versátil y se puede aplicar a cualquier tipo de texto, sin importar su finalidad.
Se puede combinar texto y código a través del uso de “chunks” donde se ejecutan las lineas de comando. Ir a > File > New File > R Markdown > Ok y experimentar con el archivo.
Quarto es una herramienta de código abierto utilizada en la programación para crear y publicar documentos dinámicos, como informes, libros, presentaciones, y sitios web. Está diseñada para trabajar con varios lenguajes de programación, incluidos R, Python, Julia y Observable JavaScript, lo que la hace muy versátil.
Quarto permite a los desarrolladores combinar código, texto y resultados en un solo documento, lo que facilita la creación de documentos reproducibles y bien documentados. Además, soporta la inclusión de visualizaciones, tablas, y otros elementos interactivos. Es particularmente popular en la comunidad de ciencia de datos y académica por su capacidad de integrar análisis de datos y narrativas en un formato cohesivo.
# Ejercicio 05.1
1- Descargar Quarto desde la web [https://quarto.org/docs/get-started/](https://quarto.org/docs/get-started/) e instalarlo.
2- Abrir un documento Quarto HTML, ir a la solapa "Source".
3- Elegir un dataset de la url https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/00Index.html.
4- Crear un chunk de código con el shortcut CTRL+ALT+i y leer el dataset elegido, crear una tabla resumen con la función gt_plt_summary() y guardar la tabla como un .png.
4- Crear con ese mismo set de datos una tabla completa en html con filtros y guardarla como html filtrable.